Adjuvant Epidermal Growth Factor Receptor Tyrosine Kinase Inhibitors (TKIs) in Resected Non–Small Cell Lung Cancer (NSCLC)
Notice bibliographique
Résumé
The role of adjuvant tyrosine kinase inhibitors (TKIs) in non-small cell lung cancer (NSCLC) is not well defined. Recent randomized controlled trials showed a disease-free survival (DFS) benefit in patients harboring an epidermal growth factor receptor (EGFR) mutation. Yet, older trials on patients with any EGFR status did not demonstrate the same benefit. We aimed to assess the efficacy and safety of adjuvant TKIs in NSCLC patients. The electronic databases Medline (PubMed) and EMBASE were searched for relevant randomized controlled trials. Random effect models were used. The primary outcome was DFS measured as hazard ratio (HR). The secondary outcomes were overall survival (OS) measured as HR, 2-year DFS and toxicity expressed as risk ratio and odds ratio (OR), respectively. Subgroup analyses assessed DFS by trial design. Six trials incorporating 1860 patients were included. In patients harboring an EGFR mutation, adjuvant TKIs decreased the risk of disease recurrence by 48% (HR: 0.52, 95% confidence interval [CI]: 0.35-0.78), improved 2-year DFS (HR: 0.53, 95% CI: 0.43-0.66) but did not improve OS (HR: 0.64, 95% CI: 0.22-1.89). The risk of developing ≥grade 3 skin toxicity (OR: 6.07, 95% CI: 4.34-8.51) and diarrhea (OR: 4.05; 95% CI: 2.44-6.74) was increased. In subgroup analyses, the DFS benefit was more pronounced in trials using TKIs over chemotherapy compared with trials using TKIs postchemotherapy. In conclusion, adjuvant TKIs decrease the risk of recurrence in NSCLC patients harboring an EGFR mutation but do not improve OS. Longer follow-up is needed for a definitive assessment of OS and to define the role of adjuvant TKI for NSCLC in the clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».